מאמרים אקדמיים

Keywords: cross project defect prediction, within project defect prediction, deep transfer learning, self-attention, software visualization. Software visualization and deep transfer learning for effective software defect prediction הדמיית מידע ולמידת העברה עמוקה (deep transfer learning) לחיזוי יעיל של כשלי תוכנה אבסטרקט יעד חיזוי כשלי תוכנה הינו איתור אוטומטי של מודולי קוד פגומים לשם מיקוד יעיל יותר של משאבי בדיקה ומאמץ אנושי. באופן טיפוסי, צינורות חיזוי פגמים בתוכנה מורכבים משני חלקים: הראשון מחלץ מאפייני תכנית, כמו עצי סינטקס מופשטים, על ידי שימוש בכלים חיצוניים; השני מיישם מודלים של מיון מבוסס למידת מכונה על אותם מאפיינים בשביל לחזות מודולים פגומים. מאחר וגישות אלו תלויות בכלי חילוץ מאפיינים ספציפיים, הבנייה האפקטיבית של רוב המודלים המדויקים דורשת ממייני למידת מכונה שנעשו במיוחד למטרה זו (custom-tailored). על מנת לצמצם את הפער בין למידה עמוקה וחיזוי כשלים, אנו מציעים מסגרת עקרון קצה לקצה היכולה להשיג חיזוי תוצאות עבור תכניות ללא שימוש בכלי חילוץ מאפיינים. לשם כך, אנו ראשית מדמים תכניות כדימויים, מיישמים את מנגנון תשומת הלב (self-attention mechanism) על מנת לחלץ מאפייני דימוי, מפעילים למידת העברה כדי להפחית את הבדל חלוקות הדגימה בין הפרויקטים, ולבסוף מזינים את קבצי הדימוי אל מודל הלמידה העמוקה, המאומן מראש לחיזוי כשלים. ניסויים עם 10 פרויקטים קוד פתוח ממערך הנתונים PROMISE מראים כי השיטה שלנו יכולה לשפר חיזוי כשלים בין-פרויקטים (cross-project) ותוך-פרויקטים (within-project). פרטי הקוד שלנו נגישים ב- https://zenodo.org/record/3373409#.XV0Oy5Mza35. 1. הקדמה טכניקות חיזוי כשלי תוכנה יכולות לסייע למפתחי תוכנה לאתר מודולי קוד פגומים אוטומטית, כדי לחסוך מאמץ אנושי ומשאבים חומריים. רוב שיטות החיזוי בונות מודלים לחיזוי המבוססים על מודולים בקוד המקור ונתוני

Still an American? Mortality Salience and Treatment of Suspected Terrorists עדיין אמריקאי? טיפול באמצעות בולטות המוות בטרוריסטים חשודים בעולם של ימינו לאחר ה -11 בספטמבר, חשוב לבחון את הגורמים הפסיכולוגיים הקשורים באמונות לגבי הטיפול הנכון בחשודים במעורבות טרור. אנו מדווחים על שני ניסויים בנושא ההשפעה של בולטות המוות על נכונותם של אנשים למנוע הגנות פרוצדוראליות מחשודים בטרור. תזכורות למוות הובילו את המשתתפים להרחיב יותר הגנות פרוצדוראליות כלפי חשוד בטרור אמריקני, אך פחות כלפי סעודי. במחקר 2, שכפלנו והארכנו את התוצאות של מחקר 1 בכך שהראינו, שהתמיכה באמצעי חקירה קיצוניים הייתה ספציפית לחברי קבוצות אויב חיצוניות (למשל, סעודים), בניגוד לקבוצות חוץ שאינן אויב (למשל בולגרים). התוצאות נדונות במונחים של תיאוריית ניהול טרור. במהלך 9 השנים האחרונות התנהל ויכוח נרחב בעניין הזכויות וההגנות שיש לתת לחשודים במעורבות טרוריסטית. ויכוח זה נע בין האפשרות של עינויים ושימוש בטכניקות חקירה יוצאות דופן לחשודים שנתפסו בחו”ל, לבין האפשרות של לתת לחשודים גישה ליועץ, וזכותם של החשודים שנתפסו בארצות הברית לראות את הראיות שהצטברו נגדם. לדיון המתמשך הזה רלוונטיים אירועי 11 בספטמבר 2001 וכן השינויים שבאו בעקבותיהם, הן בכיוון מדיניות החוץ האמריקאית והן במצבם הפסיכולוגי של אמריקנים מן השורה.  התמונה של מגדלים בוערים, כמו גם תזכורות מתמידות של מוות בעירק ובאפגניסטן, הציבו את הנושא של המוות שלנו בקדמת הבמה של הפסיכולוגיה. לבולטות המוות יש השפעה עמוקה על עמדותיהם הפוליטיות של אנשים ועל תחושות השיפוט שלהם (Cohen, Ogilvie, Solomon, Greenberg, & Pyszczynski, 2005;, Landau Solomon et al., 2004 ). אנו מבקשים לבחון במחקרים שדווחו כאן, כיצד תזכורות למוות שלהם עצמם, משפיעות על אמונותיהם של האמריקנים לגבי אופן

Student and teacher perceptions on student-teacher relationship quality: A middle school perspective Sara L. Prewett, David A. Bergin, Francis L. Huang תקציר מחקר זה חקר 336 תלמידי חטיבת הביניים של כיתות ה ‘, ו’ עם עשרה מורים למתמטיקה שלהם. המחברים השתמשו ברגרסיה לינארית רב-שלבית בת חמישה שלבים כדי לבחון מהם הגורמים הקשורים לאיכות היחסים של התלמידים עם המורים. מחקרים מראים שתפיסות חיוביות של המורים לגבי הקשר שלהם עם התלמידים מנבא את את התפיסות של התלמידים שלהם והדיווחים של התלמידים על העניין שלהם במתמטיקה והערכה עצמית חיובית מנבא את את הקשר עם המורים. התנהגות פרו-חברתית של המורים בכיתה ותמיכה רגשית-חברתית היו המנבאים החזקים ביותר של השקפותיהם של תלמידים על יחסים איכותיים עם מוריהם; הן התנהגויות כיתתיות פרו-חברתיות והן תמיכה חברתית-רגשית ניתנות לחישוב, והמחברים דנים בהשלכות על האופן שבו התנהגויות המורים מעצבות את השקפותיהם החיוביות של התלמידים על יחסי התלמיד-מורה שלהם. מחקר על החשיבות של איכות גבוהה של מערכות יחסים מורה-תלמיד קיבל תשומת לב גוברת במשך 20 השנים האחרונות (רורדה, קומן, ספליט ואוארט, 2011). איכות גבוהה של יחסי מורה-תלמיד מספקים בסיס תומך ללמידת תלמידים לטווח ארוך (Hamre & Pianta, 2001). כאשר התלמידים מרגישים שהמורים שלהם מחבבים אותם, הם נוטים לביצוים טובים יותר מבחינה אקדמית ומעורבות בית ספרית גדולה יותר (Wang & Eccles, 2013). מחקרים רבים מצאו כי תלמידים עם יחסי מורים קרובים יותר צפויים לחוות עניין באקדמיה, מעורבות, הישגים, יעילות עצמית ומוטיבציה בהשוואה לתלמידים בעלי קשרים רחוקים יותר ((Fast et al., 2010; Sakiz, Pape, & Hoy, 2012; Tosto, Asbury, Mazzocco, Petrill, & Kovas, 2016; Wen tzel, Battle, Russell, & Looney, 2010)).  יתר

Survey of Machine Learning Algorithms for Disease Diagnostic תקציר בהדמיה רפואית, אבחון ממוחשב (CAD) הוא תחום מחקר  דינמי ההולך וגדל במהירות. בשנים האחרונות נעשים ניסיונות משמעותיים להעלאת יישומי אבחון ממוחשבים, משום ששגיאות במערכות אבחון רפואיות עלולות לגרום להטעיה רצינית של טיפול רפואי. למידת מכונה חשובה באבחון בעזרת מחשב. לאחר יצירת משוואה קלה, לא ניתן לציין במדויק אובייקטים כגון איברים. לכן, זיהוי תבניות כולל באופן יסודי למידה מדוגמאות. בתחום הביו-רפואי, זיהוי תבניות ומכונות למידה מבטיחים את הדיוק המשופר של תפיסה ואבחון של מחלות. הם גם מקדמים את האובייקטיביות של תהליך קבלת ההחלטות. לניתוח נתונים ביו-רפואיים ביו-ממדיים ומולטימודליים, הלמידה של מכונה מציעה גישה ראויה ליצירת אלגוריתמים קלאסיים ואוטומטיים. מסמך סקר זה מספק ניתוח השוואתי של אלגוריתמים שונים של למידה במחשב לאבחון מחלות שונות כגון מחלת לב, מחלת סוכרת, מחלת כבד, מחלת דנגי ומחלת הפטיטיס. הוא מביא את תשומת הלב לסוג של ​​אלגוריתמים למידה של מכונה וכלים המשמשים לניתוח של מחלות ושל תהליך קבלת ההחלטות בהתאם. 1. הקדמה בינה מלאכותית יכולה לאפשר למחשב לחשוב. המחשב נעשה הרבה יותר אינטליגנטי על ידי בינה מלאכותית. למידת מכונה היא תת שדה של מחקר בבינה מלאכותית. חוקרים שונים סבורים שללא למידה, לא ניתן לפתח אינטליגנציה. ישנם סוגים רבים של טכניקות למידת מכונה המוצגות באיור 1. מפוקח, ללא פיקוח, פיקוח למחצה, חיזוק, למידה אבולוציונית ולמידה עמוקה הם סוגים של טכניקות למידת מכונה. טכניקות אלה משמשות לסיווג קבוצת הנתונים. תרשים 1 טכניקות של לימוד מכונה 1) למידה בפיקוח: מוצע מערך הדרכה של דוגמאות עם מטרות מתאימות ועל בסיס מערך הדרכה זה, אלגוריתמים מגיבים כראוי לכל התשומות האפשריות. הלמידה מהדוגמאות